[发明专利]基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法

权利要求书

1.基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，包括以下步骤：

步骤一：通过建筑能耗检测平台收集历史建筑能耗数据；

步骤二：利用软件导入历史能耗数据样本，通过计算误差平方和指标得到最优聚类数，采用K-means++算法对历史能耗数据聚类分析，赋予类别标签；

步骤三：根据聚类结果，将含有标签的历史能耗数据对BP神经网络进行训练，构建实时能耗数据识别匹配机制；

步骤四：不含标签的实时能耗数据根据神经网络识别匹配到对应的类别后，在同类别中采用孤立森林方法对能耗进行异常检测，判断是否异常；

步骤五：输出异常检测结果，并根据检测结果对历史能耗数据动态更新。

2.根据权利要求1所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，步骤二中所述软件为Matlab软件。

3.根据权利要求1所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，基于计算误差平方和方法的肘部法则作为确定最优聚类数目的依据，其公式如下：

其中，k为聚类数目，C_k表示为聚类结果中第k类能耗数据集；x_ik为第k聚类中第i个能耗点；μ_k为第k类能耗数据的质心。

4.根据权利要求1所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，步骤二中所述K-means++聚类算法中对含有n个数据的建筑能耗数据集X＝{x₁,…,x_n}，随机选取第一个聚类中心点μ₁，计算数据集X中每一个能耗数据点与已选取的聚类中心点在m维空间中的最小欧几里德距离D，计算每个能耗点被选为下一个聚类中心的概率P，重复以上步骤，按照轮盘法选取k个聚类中心，最小欧几里德距离D和聚类中心的选取概率P定义如下：

初步选取聚类中心后，计算每个能耗数据x_i与每个聚类中心的欧几里德距离D，按照最近准则将该能耗数据划分到相应的聚类簇中，在每个聚类中计算所有能耗数据的特征均值，该均值将作为新的聚类中心，重复以上步骤，直到聚类中心位置不再发生变化。

5.根据权利要求1所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，步骤三中通过对历史能耗数据聚类分析后，将具有相似特征的能耗数据赋予了相同的能耗模式类别标签。

6.根据权利要求1所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，步骤四中不含标签的实时能耗数据根据神经网络识别，匹配到对应类别中，在同类别内对能耗数据采用孤立森林方法对能耗进行异常检测，判断是否异常，根据检测结果对历史能耗数据实现动态更新，保证数据集的时效性。

7.根据权利要求6所述的基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，其特征在于，所述孤立森林方法是通过从能耗数据集中随机挑选m个能耗数据作为子样本数据集T＝{t₁,t₂···,t_m}，将其作为一颗孤立树的根节点，在子样本数据集中，随机产生一个介于子样本数据最大值与最小值间的分割值p，通过分割值p对子样本数集进行划分，不断构建左侧分支和右侧分支，重复上述过程，直至达到下列条件之一停止：①孤立树达到高度限制值；②子样本空间中只剩下一个能耗数据。